标签： #garch

经典 GARCH 把收益平方搬进方差方程，正负号被抹平，于是涨 3% 和跌 3% 对波动贡献一样——这跟市场常识对着干。本文 numpy 从零实现 GJR-GARCH(门限 GARCH)，MLE 还原真实参数(α=0.049, γ=0.098, β=0.835)，量化『同等 ±3% 冲击坏消息多推高 200% 条件方差』，并演示波动目标叠加把回撤从 −83% 压到 −48%。附完整 Python 与四张真实计算图。

波动率从来不是单尺度的——日内聚类是几天的记忆、季节性 regime 是几个月的慢节律，可 GARCH(1,1) 只给你一条 σ_t 曲线。本文用 numpy 从零实现 MODWT(à trous 平稳小波)的 db4 版本，把 1024 天合成收益的波动率代理 |r| 拆到 5 个尺度：W1(2-4日)、W2(4-8日)、W3(8-16日)、W4(16-32日)、V4(>32日)，证明它的能量按尺度是 16%/17%/20%/25%/21%——真正的多尺度分布，不是白噪声。GARCH(1,1) 标准化后的残差 |z| 把 V4 压到 16.9%、把快尺度拉回到 ~20% (接近 iid 平衡)，但 W4(16-32日) 仍抬到 23.4%——单参数平滑器在中间尺度留下痕迹。附完整 numpy 实现与四张真实计算图。

组合 VaR 的经典做法是方差-协方差法：正态边缘 + 一个相关系数矩阵包打天下。但相关系数只刻画线性依赖的平均强度，说不出「两个资产会不会一起崩」。Copula-GARCH（Sklar 定理 + Patton 2006 工程化）把问题拆成三层独立零件：GARCH 管各自的波动动态、t 边缘管各自的肥尾、copula 管它们怎么绑在一起。双资产 GARCH-t + t-copula(ν=4) 模拟实测：三个模型的 95% VaR 全部无罪（突破 70/72/75 次，期望 62.5），99% VaR 立刻分层——方差-协方差法突破 29 次（期望 12.5）Kupiec p=6×10⁻⁵ 处决，换 t 边缘（保留高斯 copula）降到 21 次，再换 t-copula 降到 18 次通过。教训：普通日子里所有模型都差不多，深尾层级上边缘肥尾贡献最大改进、尾部依赖贡献最后一截。附完整 Python 与伪均匀量、Kendall τ 校准、copula 自由度估计等工程细节（中阶）。

普通历史模拟的 VaR 是一条僵硬的地板：市场进入高波动它浑然不觉，突破全挤在危机段。FHS（Barone-Adesi et al. 1999）分两步修复：GARCH 滤波把收益标准化成近似 iid 的残差（|r|² 自相关 0.21→-0.03），经验分位数保住肥尾（峰度 1.8 仍在），再乘明日波动率预报还原条件尺度。GARCH-t(6) 模拟实测：HS 的 95% VaR 突破 π11=0.179 独立性检验 p<0.0001 处决，GARCH-正态 99% VaR 突破 25 次被 Kupiec 拒绝（尾部太瘦），FHS 六项检验全过——滤波管动态、经验分位数管形状，各司其职。附完整 Python 与四类真实陷阱（中阶）。

直接对收益拟 GARCH(1,1)，慢变的结构性波动漂移会污染估计——把长记忆假象塞进 β，持续性虚高到 0.99。混合思路借 Engle-Rangel Spline-GARCH 的乘性分解 σ²_t=g_t·h_t：先用 EMD（经验模态分解）从对数平方收益里剥出慢变方差水平 g_t，对标准化残差再拟合短期 GARCH 因子 h_t。纯 numpy 从零实现 EMD sifting（cubic-spline 包络+端点 clamp）与 GARCH MLE（网格+坐标下降），在「乘性成分」合成收益（慢正弦+陡峭 regime 跳变 × 单位均值 GARCH）上实测：EMD-GARCH 把持续性从纯 GARCH 的 0.99 压回 0.95（剔除伪长记忆），但样本外一步方差预测 QLIKE=−6.57 略输纯 GARCH 的 −6.68——分解修正了参数偏误，却没换来预测精度碾压。附「剥太多 IMF 把 GARCH 聚集也当趋势吸走」与「EMD 端点样条外推不稳」两处真实翻车，拆穿分解万能/持续性越低越好/混合必胜/EMD 因果/端点无害五类陷阱（中阶）。

线性自相关（Ljung-Box / ACF）只能抓线性记忆，抓不到 GARCH 波动聚集、逻辑斯蒂混沌这类非线性依赖。BDS 检验把「序列是不是 i.i.d.」变成一个可算的统计量：若独立，则 m 维向量的邻近概率应等于 1 维邻近概率的 m 次方。我们在随机游走 / GARCH / 逻辑斯蒂混沌三类序列上把 B 统计量分别钉在 0 附近 / 显著非零 / 极端大，并用 bootstrap 零假设把检验水平校准到 ≈5%、对混沌功效 ≈100%——演示它如何「不误杀有效市场、却不放过非线性」（中阶）。

经典 GARCH 假设「好消息和坏消息对称地推高波动」，但股灾里「跌比涨更恐慌」是铁律：同样 3% 的跌幅带来的波动跳升，往往大于 3% 涨幅。本文用一套合成的真实波动数据，从零实现 TGARCH(1,1) 与 EGARCH 的 MLE 拟合，量化「同等 ±3% 冲击，跌幅比涨幅多推高 9% 条件方差」，并给出把杠杆效应写进波动率预测、风险预算与期权对冲的完整 Python（中阶）。

标准 GARCH(1,1) 把收益方差当成一条连续的、同质的过程, 可真实市场的波动是『连续扩散 + 偶发跳跃』两层叠起来的。跳跃一发生, 方差里就多出 p·σ_j² 一项, 普通 GARCH 会把这部分错算进连续波动, 在跳跃日把条件波动高估 21.1%。本文用 ARMA(1,1)-GARCH(1,1)+高斯跳跃(jump-GARCH)把两层拆开: 过滤得到『连续波动』、用 ±2.5σ 残差阈值检测跳跃(召回 40.3%、精确 65.8%)、并量化跳跃方差占日度总方差的 20.7%。3000 日合成样本实证, 附完整 Python 与六类真实陷阱(中阶)。